基于量子遗传和无迹粒子滤波的人体运动跟踪

提出一种人体运动跟踪算法,用于解决多关节人体运动跟踪问题.由于无迹粒子滤波存在样本贫化现象,因而对目标运动估计产生影响,尤其估计模型为复杂的马尔可夫链的时域问题的影响尤为严重.通过分析产生该现象的原因,在无迹粒子滤波中引入量子遗传算法:一方面,增加样本集的多样性而缓解样本贫化现象的影响;另一方面,改善其估计、跟踪能力并有效缩短了计算时间.实验结果表明,所提出算法很好地减轻了样本贫化现象对无迹粒子滤波的影响,并提高了多关节人体运动跟踪的准确性,跟踪结果令人满意.     

基于色彩相关直方图的粒子滤波跟踪算法

提出一种基于色彩相关直方图的粒子滤波跟踪算法.该算法在粒子滤波基本框架之下,将目标色彩自相关直方图作为目标的描述特征,用于衡量不同预测状态与观测状态之间的色彩相关性.色彩相关直方图将色彩的空间相关性信息引入到目标的特征表达当中,弥补了一般色彩直方图的不足.试验表明,该算法不仅能在目标与背景颜色相近的情况下准确的跟踪到目标,而且能在目标发生旋转和部分遮挡的情况下也能保证不丢失目标.     

基于MCMC无味粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在粒子退化的问题,提出了基于马尔可夫链-蒙特卡罗(Markovchain Monte Carlo,MCMC)无味粒子滤波的目标跟踪算法.该算法采用无味卡尔曼滤波(unscented Kalmanfilter,UKF)生成粒子滤波的提议分布,来代替传统粒子滤波算法采用状态转移先验概率作为粒子滤波的提议分布,以改善滤波效果,然后在无味粒子滤波的基础上融合了典型的MCMC抽样算法(Metropolis Hastings,MH),从而可以减少传统粒子滤波未考虑当前量测对状态的估计作用所带来的影响.融合后的算法将当前量测信息融入到滤波过程中,并使采样粒子更加多样化.实验结果表明,该算法较传统方法在跟踪精度方面有显著的提高.     

基于粒子滤波的机动目标跟踪改进算法

粒子滤波是指利用Monte Carlo仿真方法处理递推估计问题的非线性滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波(EKF)算法,融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布。仿真结果表明,该算法对机动目标有更好的跟踪效果。     

用于目标跟踪的自适应粒子滤波算法

结合粒子滤波算法,提出了一种能够根据目标运动特征自动确定粒子数的自适应目标跟踪算法。为了准确表示后验概率密度,粒子滤波通常使用大量的粒子。当运动预测准确时,用少量的粒子就可以准确估计概率密度函数。提出的算法利用描述概率密度所需的粒子数和运动估计准确程度之间的关系,自动确定粒子滤波所需的粒子数及其提议分布,提高了粒子的使用效率,避免了由于使用过多粒子而增加跟踪器计算量的问题。实验结果表明该算法可以有效地估计出进行目标跟踪所需的粒子数目。     

基于改进高斯粒子滤波器的目标跟踪算法

针对现有机动目标跟踪中粒子滤波算法的不足,提出了一种改进的粒子滤波方法。该方法在高斯粒子滤波的基础上通过利用当前时刻量测值对量测误差的分布参数进行实时的统计和更新,并以此得到粒子的权值,从而考虑到了量测值对估计值的影响,该方法适合于量测误差分布为高斯白噪声且状态量与量测误差相关条件下的非线性估计。仿真结果表明,与传统的自举粒子滤波(boot trap particle filter, BPF)、高斯粒子滤波（Gaussian particle filter, GPF)以及无迹粒子滤波（unscented particle filter, UPF)相比,该方法具有较高的精度和较少的计算量。     

一种改进粒子滤波器在雷达目标跟踪中的应用

在实际雷达目标跟踪系统中,雷达量测常受到闪烁噪声干扰,传统卡尔曼或扩展的卡尔曼滤波算法在闪烁噪声环境下,滤波性能将急剧下降甚至滤波发散。提出了将粒子滤波与无迹变换结合的改进粒子滤波算法UPF(uncented particle filter)应用在雷达目标跟踪中,解决了闪烁噪声情况下雷达目标跟踪问题。仿真结果表明,在高斯条件下扩展的卡尔曼算法和基于无迹变换的粒子滤波算法跟踪性能相近,但在闪烁噪声环境下,随着闪烁影响的增强,扩展的卡尔曼算法跟踪性能严重下降,而UPF算法能保持较好的跟踪精度。     

基于改进粒子滤波的微弱目标检测前跟踪算法

研究高速微弱目标的积累检测问题,提出了一种改进粒子滤波的检测前跟踪算法。该算法采用与雷达距离-多普勒图像相匹配的量测数据模型,能克服传统点扩散函数的模型误差。采用“新生”粒子从强度最高的分辨单元集内均匀产生,且按概率对权重最低的部分“存活”粒子用“新生”粒子将其替换的粒子更新策略,在增加粒子多样性的同时缓解了粒子的退化。仿真实验表明,本文算法的检测与跟踪性能要优于标准的粒子滤波算法。     

一种无迹粒子PHD滤波的多目标跟踪算法

针对粒子概率假设密度滤波(P-PHDF)算法估计精度低、滤波发散和粒子退化的缺陷,提出了一种无迹粒子PHD滤波(UP-PHDF)算法.该算法以UKF算法产生重要性函数并从中采样通过观测值更新粒子的权值,再用加权的粒子估计PHD函数,进而得到优化的状态估计均值和方差进行传播最后,对UP-PHDF算法进行了分析和实现,并将该算法和P-PHDF算法进行了比较.仿真结果表明,UP-PHDF算法不仅大大提高了滤波估计的精度,同时提高了跟踪系统的稳定性和鲁棒性.     

基于粒子滤波与层级形状描述的红外目标跟踪

提出了一种基于粒子滤波和层级形状描述的红外目标跟踪新方法。在粒子滤波理论框架下,观测概率模型的建立是影响红外目标跟踪性能的重要因素,而红外目标描述是建立观测概率模型的基础。针对红外成像特性,以梯度直方图和空域金字塔技术为基础,建立层级梯度直方图,实现红外目标的层级形状描述。通过计算参考目标的层级梯度直方图与目标样本的层级梯度直方图之间的Bhattacharyya距离,建立观测概率模型。两种不同场景特性的红外目标跟踪实验和对比实验分析都表明该方法是有效的、稳健的。     

基于Unscented卡尔曼滤波的超视距目标跟踪

针对大地坐标系下,超视距目标状态方程和量测方程复杂的非线性,提出了一种基于Unscented卡尔曼滤波的超视距目标跟踪。Unscented卡尔曼滤波通过设计少量的σ点,并计算这些σ点经由非线性函数的传播,从而获得滤波值基于非线性系统方程的更新。由于Unscented卡尔曼滤波无需像Extended卡尔曼滤波那样求状态方程和量测方程的雅可比矩阵,给计算带来了极大的方便。数值仿真结果表明,所给出的方法是可行而有效的。     

基于概率数据关联与粒子滤波的多目标跟踪算法

提出一种基于概率数据关联和改进粒子滤波的多目标跟踪算法。该方法在分析关联区域内有效量测基础上,利用量测与目标预测位置的统计距离计算关联概率;然后,对粒子滤波器进行改进,将目标的最新量测和状态的高斯逼近组合在一起,对每个粒子采用类似于卡尔曼滤波的方式产生高斯建议分布。以比提高目标状态的估计精度;最后,将所有有效量测的估计结果按照关联概率进行咖权,从而实现多目标跟踪。仿真结果表明,该算法用于复杂环境下的多目标跟踪精度较高,不仅降低了关联概率的计算难度,而且可以准确地进行数据关联,具有一定的工程应用价值。     

高斯和粒子滤波器及其在被动跟踪中的应用

为提高被动跟踪性能,提出了一种高斯和粒子滤波方法。在建立目标被动跟踪模型的基础上,使用高斯和滤波(GSF)近似目标状态的后验密度,利用粒子滤波方法处理GSF中的均值和方差计算问题,推导了高斯和粒子滤波器(GSPF)应用的具体算法步骤,使用机动目标被动跟踪仿真实例,与其它滤波器进行了仿真对比,分析了跟踪性能和RMSE误差。仿真结果表明,对于机动目标被动跟踪问题,GSPF不仅具有较高的跟踪精度,而且与一般粒子滤波器相比,GSPF具有较好的跟踪稳定性和较低的计算量。     

基于转换测量卡尔曼滤波算法的目标跟踪研究

在去偏转换测量中,先以目标的真实位置为条件求出真实的偏差和协方差阵,然后以传感器的测量为条件对真实偏差和协方差求取期望,这种方法求得的转换测量的偏差和协方差阵会引入附加的误差,因而不够精确。针对这种情况,直接以传感器的测量为条件求取转换测量的偏差和协方差阵,这种方法不仅精确而且简单。仿真结果表明算法的有效性。     

非线性预测滤波器在机动目标跟踪中的应用

提出了一种直接根据新息的机动目标跟踪非线性预测跟踪滤波算法。该算法不需要假定目标的机动加速度模型 ,而是将目标的机动加速度作为滤波结果的一部分直接估计出来。对不同机动目标的仿真结果表明 ,所提出的预测滤波算法具有优良的估计性能     

机动目标跟踪的灰色截断变维法

在灰色预测滤波和截断滤波的基础上建立了灰色截断变维法。在截断变维法中嵌入灰色预测滤波 ,用性能优越的机动检测技术为开关 ,在机动区用灰色预测滤波替代并导引截断变维滤波。该方法具有很强的自适应性和更高的滤波跟踪精度 ,其性能优于单模型有参数自适应滤波算法及多模无参数自适应滤波算法 ,同时无需任何先验的统计参数。计算机仿真表明了它的各种优越性。